混合智能技術及其在故障診斷中的應用研究.pdf

1、大型復雜機械設備的故障往往表現(xiàn)為復雜性、不確定性、多故障并發(fā)性等，運用單一的智能故障診斷技術，存在精度不高、泛化能力弱等問題，難以獲得滿意的診斷效果，故急需一種新的思路和方法來解決這些工程實際問題。
　　利用人工神經(jīng)網(wǎng)絡、模糊邏輯、遺傳算法等單一智能技術之間的差異性和互補性，揚長避短，優(yōu)勢互補，并結合不同的現(xiàn)代信號處理技術和特征提取方法，將它們以某種方式綜合、集成或融合，提出混合智能診斷技術，能夠有效地提高診斷系統(tǒng)的敏感性、魯棒性

2、、精確性，降低它的不確定性，準確定位故障發(fā)生的位置，估計其嚴重程度。因此，研究混合智能技術及其在故障診斷中的應用，具有重要的科學理論意義和工程應用價值。論文正是圍繞這一艱難而又誘人的主題，以機械設備的早期、微弱和復合故障的診斷為目的，對混合智能故障診斷技術的基本原理和工程應用進行了深入的研究。
　　論文介紹了模糊邏輯、神經(jīng)網(wǎng)絡、聚類算法和遺傳算法等技術的基本概念和原理，針對每種技術各舉一例，說明其使用方法和有效性。描述了兩種適合于

3、處理非平穩(wěn)、非線性信號的現(xiàn)代信號處理技術：小波包分析和經(jīng)驗模式分解。小波包分析是小波變換的延伸，以不同的尺度將動態(tài)信號正交地分解到相互獨立的頻帶中，提供無冗余、不疏漏的獨立頻帶分解信號的特征信息；經(jīng)驗模式分解方法基于信號的局部特征時間尺度，把動態(tài)信號分解為若干個本征模式分量，正交地給出分解信號的本征信息。所以二者分別從不同角度來分析信號，各具特色。
　　為了提高機械故障診斷的準確性，結合小波包分解和經(jīng)驗模式分解方法在分析動態(tài)信號上

4、的優(yōu)勢，特征評估方法在選取敏感特征方面的特點，以及徑向基函數(shù)神經(jīng)網(wǎng)絡分類能力強的優(yōu)點，提出了一種基于特征評估和神經(jīng)網(wǎng)絡智能故障診斷模型。該模型能夠針對不同診斷問題選擇其相應的敏感特征，克服了傳統(tǒng)方法在特征選擇上的盲目性。通過對滾動軸承局部損傷故障和煙氣輪機轉子輕微摩擦故障的診斷研究，應用結果表明：利用小波包分析和經(jīng)驗模式分解方法能從動態(tài)信號中精細地獲得更多的故障特征信息；利用特征評估方法能夠從原始特征集中評選出敏感特征，從而大大提高了徑

5、向基函數(shù)神經(jīng)網(wǎng)絡診斷的準確率。
　　針對機械設備中早期故障和復合故障并發(fā)的復雜診斷問題，利用統(tǒng)計分析、經(jīng)驗模式分解、改進的距離評估技術、自適應神經(jīng)模糊網(wǎng)絡和遺傳算法等技術，提出了一種綜合多征兆域特征集和多個分類器組合的混合智能診斷模型。該模型運用多種信號預處理方法挖掘潛藏在動態(tài)信號中的故障信息，并綜合利用從不同側面表征機械設備運行狀態(tài)的時域和頻域統(tǒng)計特征，構成多元征兆域特征集來全面反映故障特性；利用基于不同輸入特征集的多個自適應神

6、經(jīng)模糊網(wǎng)絡之間的獨立性和互補性，將其組合成混合智能模型?；旌现悄苣Ｐ驮跈C車輪對軸承的故障診斷中實現(xiàn)了軸承不同故障類型，不同故障程度，以及復合故障的可靠識別，獲得了非常滿意的診斷結果。同時，診斷結果也驗證了提出的基于改進距離評估技術的特征選擇方法的有效性。
　　針對故障診斷中應用最多的無監(jiān)督聚類算法——模糊C均值算法存在的問題，提出了一種新的混合智能聚類算法。該算法使用聚類評價指標自動確定聚類數(shù)；利用基于梯度下降的3層前饋神經(jīng)網(wǎng)絡通

7、過無監(jiān)督訓練來自適應學習特征權值；運用基于點密度函數(shù)的算法計算樣本權值。賦予特征和樣本以相應的權重，強調敏感特征和典型樣本對聚類的貢獻，削弱無關特征和模棱兩可樣本對聚類的干擾，以提高聚類的性能。采用國際公認比較聚類算法性能的典型數(shù)據(jù)IRIS驗證了混合智能聚類算法的有效性。在電力機車輪對軸承單一故障、早期故障和復合故障并發(fā)的診斷問題中，進一步驗證了該算法不僅能正確地確定聚類數(shù)，而且聚類性能優(yōu)于模糊C均值聚類算法，具有更好實用性和推廣性能。